Collusion in Algorithmic Pricing

De senaste årens teknologiska utveckling har möjliggjort för autonoma agenter att utnyttja artificiell intelligens för att lära sig optimerade prispolicyer genom att interagera med marknaden. Både konkurrensmyndigheter och forskare har uttryckt oro för att autonoma prisoptimerande agenter som oberoende av varandra agerar på samma marknad kan lära sig varandras policyer genom den implicita interaktionen. Deras oro är att agenterna på så sätt når ett prisutfall som liknar regelrätt prissamarbete.

Den här rapporten avser att: förklara hur algoritmer som används för automatiserad prisoptimering fungerar; presentera en litteraturgenomgång kring automatiserad prisoptimering och prissamarbete; genomföra och presentera resultaten från en samling av experiment som utvärderar flera tidigare outforskade aspekter kring självlärande och autonoma prisoptimerande agenter; och, slutligen, presentera slutsatser som dragits utifrån litteraturgenomgången och de genomförda experimenten.

De genomförda empiriska experimenten kompletterar befintlig forskning genom att utvärdera agenter som är olika varandra eller som agerar asynkront, vilket efterliknar den situation som råder när inget explicit samarbete existerar.

Våra resultat tillsammans med tidigare forskning implicerar att prisoptimerande agenter kan förväntas nå prisutfall i närheten av dem som råder vid regelrätt prissamarbete, oavsett hur starka agenter som används. Vidare så implicerar den empiriska undersökningen att företag kan uppnå konkurrensfördelar genom att kontinuerligt förbättra sina prisoptimerande agenter. Slutligen så visar våra resultat även att hotet att nya aktörer ger sig in på marknaden hämmar prisutvecklingen och resulterar i reducerade prisnivåer.